机器学习方法在遥感图像处理中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第8-13页 |
| 1.1 研究动机 | 第8-10页 |
| 1.2 相关工作 | 第10-12页 |
| 1.2.1 光谱导数特征 | 第10-11页 |
| 1.2.2 域调整方法 | 第11页 |
| 1.2.3 深度学习 | 第11-12页 |
| 1.3 本文组织结构 | 第12-13页 |
| 第二章 背景介绍 | 第13-25页 |
| 2.1 遥感数据特征表征 | 第13-18页 |
| 2.1.1 光谱特征 | 第14-16页 |
| 2.1.2 光谱导数特征 | 第16-18页 |
| 2.2 LWE算法 | 第18-20页 |
| 2.3 限制玻尔兹曼机 | 第20-22页 |
| 2.4 深度置信网络 | 第22-25页 |
| 第三章 输入输出一致性域调整算法 | 第25-30页 |
| 3.1 符号设定 | 第25页 |
| 3.2 输入输出空间一致性 | 第25-27页 |
| 3.3 降低negative transfer | 第27页 |
| 3.4 ICODA算法框架 | 第27-30页 |
| 第四章 实验结果和分析 | 第30-50页 |
| 4.1 实验数据 | 第30-33页 |
| 4.1.1 Botswana | 第30-31页 |
| 4.1.2 KSC | 第31-32页 |
| 4.1.3 Pavia University | 第32页 |
| 4.1.4 墨西哥湾溢油数据 | 第32-33页 |
| 4.2 影响光谱导数特征有效性因素 | 第33-39页 |
| 4.2.1 实验设定 | 第33页 |
| 4.2.2 实验结果 | 第33-38页 |
| 4.2.3 分析总结 | 第38-39页 |
| 4.3 ICODA算法实验 | 第39-43页 |
| 4.3.1 实验设定 | 第39-40页 |
| 4.3.2 实验结果 | 第40-42页 |
| 4.3.3 ICODA算法的适用范围 | 第42页 |
| 4.3.4 实验总结 | 第42-43页 |
| 4.4 深度置信网络实验 | 第43-50页 |
| 4.4.1 深度学习特征选择分析 | 第43-46页 |
| 4.4.2 深度学习溢油检测实验 | 第46-50页 |
| 第五章 总结和展望 | 第50-51页 |
| 附录 | 第51-57页 |
| 附1：分类算法 | 第51-55页 |
| 附2：聚类算法 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 科研项目和文献发表情况 | 第61-62页 |
| 致谢 | 第62-63页 |
